Celonis en Databricks gaan nauw samenwerken om kunstmatige intelligentie beter in te zetten in bedrijfsprocessen. De bedrijven koppelen procesdata van Celonis rechtstreeks aan het Databricks-platform. De samenwerking is internationaal en relevant voor Nederlandse organisaties die SAP en andere ERP-systemen gebruiken. Doel is snellere ontwikkeling van AI-toepassingen die kosten verlagen en doorlooptijden verkorten.
Partners koppelen procesdata aan AI
Celonis levert software voor process mining, een techniek die loggegevens uit IT-systemen analyseert om knelpunten te vinden. Databricks biedt een data- en AI-platform, bekend als de Lakehouse-architectuur, waarop organisaties datamodellen en algoritmen bouwen. Door integratie kunnen bestaande Celonis-processen en maatstaven direct beschikbaar komen voor AI-ontwikkeling in Databricks. Dit moet de stap van inzicht naar actie verkorten.
De koppeling draait om het consistent beschikbaar maken van event- en procesdata. Denk aan order-to-cash, procure-to-pay en serviceprocessen uit ERP, CRM en logistieke systemen. Met één gegevensbron kunnen teams modellen trainen, simulaties draaien en automatiseringen bouwen. Zo worden analyses sneller herhaalbaar en beter te onderhouden.
Voor generatieve AI kan context uit processen het antwoord van modellen verbeteren. Databricks’ Mosaic AI, een pakket voor generatieve AI, kan hiermee beter onderbouwde antwoorden geven. In combinatie met Celonis-inzichten ontstaat een rijkere kennisbasis voor chatbots, assistenten en aanbevelingen. Dit is vooral nuttig bij complexe bedrijfsregels en uitzonderingen.
Unity Catalog van Databricks, een systeem voor datagovernance, kan helpen bij toegangsbeheer en herkomst van data. Daardoor is te volgen wie welke gegevens gebruikt, en waarvoor. Dit ondersteunt audits en naleving binnen Europa. Organisaties houden zo grip op gevoelige velden, zoals klant- en leveranciersgegevens.
Snellere bouw van toepassingen
Projectteams besteden vaak veel tijd aan het schonen en herstructureren van procesdata. Met de koppeling komt een deel van die data al in een bruikbaar model binnen. Minder handwerk betekent dat data scientists en ontwikkelaars sneller kunnen testen. De time-to-value voor nieuwe toepassingen gaat daarmee omlaag.
Standaarddefinities voor doorlooptijden, bottlenecks en varianties kunnen als features in machinelearning-modellen dienen. Dit verkleint het risico op verkeerde aannames en versnelt experimenten. Dashboards, notebooks en pipelines kunnen dezelfde grondslag hergebruiken. Zo blijft de analyse consistent van exploratie tot productie.
Voor operationele teams is het voordeel concreet. Denk aan automatische prioritering van orders met vertraging of real-time signalen bij foutieve facturen. Aanbevelingen kunnen direct in workflowtools verschijnen. Dat maakt de stap van inzicht naar ingreep korter.
Ook IT-beheer wordt eenvoudiger door centrale catalogi en versiebeheer. Lineage, de herkomst van data, blijft zichtbaar over tools heen. Bij incidenten is sneller te zien waar een fout is ontstaan. Dit vermindert stilstand en herstelkosten.
Process mining is het analyseren van digitale sporen in IT-systemen om te zien hoe processen echt lopen en waar ze vastlopen.
Data- en privacywaarborgen nodig
De verwerking van procesdata raakt direct aan de AVG. Dataminimalisatie, versleuteling en duidelijke doelen voor gebruik zijn nodig. Toegang moet per rol worden afgeschermd, zeker bij klant-, patiënt- of personeelsgegevens. Pseudonimisering kan risico’s verlagen bij modeltraining.
De Europese AI-verordening (AI Act) vraagt om risicobeoordeling en transparantie. Toepassingen voor procesoptimalisatie vallen vaak in de laagste risicoklassen, maar niet altijd. Besluitvorming met impact op personen kan strengere eisen opleveren. Organisaties moeten dit vooraf toetsen en vastleggen.
Governance-functies zoals Unity Catalog en auditlogs ondersteunen naleving. Ze laten zien wie welke dataset heeft gebruikt, met welk model en met welk doel. Dit is relevant voor interne controles en toezichthouders. Het voorkomt ook dat datasets buiten zicht hergebruikt worden.
Publieke instellingen en zorgaanbieders in Nederland hebben extra aandachtspunten. Het delen van gegevens over organisatiegrenzen heen vereist duidelijke verwerkersafspraken. Ook moeten bewaartermijnen en rechten van betrokkenen worden ingeregeld. Zonder dit fundament ontstaan juridische en reputatierisico’s.
Nederlandse markt wil grip
Nederlandse bedrijven werken veel met SAP, Oracle en Microsoft Dynamics. Celonis heeft standaardkoppelingen met deze systemen, wat aansluiting vergemakkelijkt. Databricks wordt in de Benelux breed gebruikt voor data-engineering en AI. De combinatie past dus bij bestaande keuzes in de regio.
Sectoren als logistiek, industrie en financiële diensten kunnen snel winst boeken. Voorbeelden zijn kortere doorlooptijden, minder voorraad en minder fouten in facturen. Ook de overheid en semipublieke instellingen kunnen processen inzichtelijk maken, zoals subsidies of vergunningen. Dat sluit aan bij de roep om efficiëntere dienstverlening.
De samenwerking kan ook bijdragen aan Europese datastrategieën. Denk aan industriële data spaces waar bedrijven data delen onder gemeenschappelijke regels. Procesdata wordt dan inzetbaar over organisaties heen, met goede waarborgen. Dit vergroot de bruikbaarheid van AI zonder data te centraliseren.
Voor CIO’s en CDO’s draait het om controle en herhaalbaarheid. Eén logische laag voor data en modellen voorkomt versnippering. Dat helpt bij kostenbeheersing en vendor management. Het legt bovendien een basis voor continue verbetering.
Kansen en technische beperkingen
Resultaten hangen sterk af van datakwaliteit. Incomplete events, verschillende systeemuitlezingen en tijdstempelfouten blijven lastig. Zonder grondige dataprofilering kunnen modellen verkeerde patronen leren. Dat vraagt om discipline in bronregistratie en monitoring.
Generatieve AI heeft baat bij actuele context. RAG, een techniek die modellen laat opzoeken in eigen data, moet daarom goed zijn ingericht. Verouderde of conflictueuze procesdefinities leiden tot zwakke antwoorden. Een beheerproces voor kennis en beleidsteksten is essentieel.
Automatisering verandert ook taken en verantwoordelijkheden. Medewerkers moeten begrijpen wanneer ze het algoritme vertrouwen en wanneer ze ingrijpen. Duidelijke KPI’s en feedbackloops voorkomen dat optimalisatie doorschiet. Human-in-the-loop blijft nodig bij uitzonderingen en klachten.
Tot slot is er het risico op leveranciersafhankelijkheid. Open standaarden zoals Delta Lake en uitwisselbare dataformaten beperken lock-in. Contracten moeten exit-mogelijkheden en dataportabiliteit borgen. Zo blijft de organisatie wendbaar bij nieuwe eisen of tools.
Volgende stap: gecontroleerde uitrol
Voor een veilige start is een gefaseerde aanpak verstandig. Begin met één proces, een afgebakend datadomein en duidelijke succescriteria. Meet doorlooptijd, foutpercentages en gebruikerstevredenheid voor en na. Breid pas uit als de governance en techniek stabiel zijn.
Betrek juridische, security- en compliance-teams vroegtijdig. Zij vertalen AVG en AI Act naar praktische waarborgen. Denk aan DPIA’s, dataclassificatie en rechtenbeheer. Zo voorkomt u vertraging in latere fases.
Maak daarnaast afspraken over modelbeheer. Leg vast hoe vaak modellen worden hergetraind en geaudit. Bewaak bias in datasets en uitkomsten, ook bij procesdata. Documentatie en herleidbaarheid zijn hierbij cruciaal.
Met deze randvoorwaarden kan de koppeling tussen Celonis en Databricks waarde opleveren. Organisaties krijgen sneller inzicht en kunnen gericht automatiseren. Tegelijk blijven privacy en regelgeving geborgd. Dat is nodig om AI op schaal verantwoord toe te passen in Nederland en Europa.
